[發(fā)明專(zhuān)利]一種具有遮擋處理的快速人體目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711121852.6
• 申請(qǐng)日: 2017-11-14
• 公開(kāi)（公告）號(hào): CN107909027B
• 公開(kāi)（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 周雪;徐雨亭;鄒見(jiàn)效;徐紅兵
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

本發(fā)明公開(kāi)了一種具有遮擋處理的快速人體目標(biāo)檢測(cè)方法，在現(xiàn)有人體目標(biāo)檢測(cè)區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，進(jìn)一步對(duì)實(shí)時(shí)采集并檢測(cè)得到的人體目標(biāo)檢測(cè)框的融合進(jìn)行改進(jìn)，采用帶有放回采樣策略的非極大值抑制算法，這樣使得人體目標(biāo)的檢測(cè)對(duì)閾值具有不敏感性，可有效避免人體目標(biāo)的漏檢和重復(fù)檢測(cè)，從而很好地以解決兩個(gè)靠得很近即存在部分遮擋的人體目標(biāo)檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)、模式識(shí)別、機(jī)器學(xué)習(xí)等技術(shù)領(lǐng)域，更為具體地講，涉及在監(jiān)控場(chǎng)景下一種基于區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)的、具有遮擋處理的快速人體目標(biāo)檢測(cè)方法。

背景技術(shù)

近年來(lái)，隨著科技的進(jìn)步，各個(gè)行業(yè)開(kāi)始越來(lái)越關(guān)注安全問(wèn)題。在銀行、機(jī)場(chǎng)、地鐵、車(chē)站、小區(qū)等重要區(qū)域以及公共場(chǎng)所，人們都安裝了監(jiān)控?cái)z像頭進(jìn)行視頻監(jiān)控。這些監(jiān)控?cái)z像頭一般都安裝在較高的位置，以俯視的角度進(jìn)行監(jiān)控。而我們所說(shuō)的監(jiān)控場(chǎng)景即是指在這種情景下拍攝的監(jiān)控畫(huà)面。

一般情況下，人是監(jiān)控場(chǎng)景的主體，對(duì)人體目標(biāo)的跟蹤和后續(xù)的行為識(shí)別分析嚴(yán)重依賴(lài)于人體目標(biāo)檢測(cè)的精度，因此如何在監(jiān)控場(chǎng)景下準(zhǔn)確檢測(cè)人體目標(biāo)已經(jīng)成為學(xué)術(shù)界和工業(yè)界廣泛關(guān)注的熱點(diǎn)之一。

早期的研究者一般將人體目標(biāo)檢測(cè)問(wèn)題分為兩個(gè)步驟來(lái)解決，首先是基于手工設(shè)計(jì)的模型進(jìn)行特征提取，然后基于目標(biāo)特征設(shè)計(jì)分類(lèi)器訓(xùn)練檢測(cè)模型。比如，Dalal N與Triggs B提出了一種基于梯度直方圖(Histograms of Oriented Gradients，HOG)特征和支持向量機(jī)(Support Vector Machine,SVM)框架的人體目標(biāo)檢測(cè)方法，具體算法原理參見(jiàn)：Dalal N,Triggs B.Histograms of oriented gradients for human detection[C].Computer Vision and Pattern Recognition,2005.CVPR 2005.IEEE Computer SocietyConference on.IEEE,2005,1:886-893。Shanshan Zhang和Rodrigo Benenson采用梯度直方圖(HOG)和顏色空間變換(LUV)提取特征，用提升決策樹(shù)(Boosted Decision Tree)訓(xùn)練人體目標(biāo)分類(lèi)器。具體算法原理參見(jiàn)：Shanshan Zhang,Rodrigo Benenson,and BerntSchiele.Filtered channel features for pedestrian detection[C].Computer Visionand Pattern Recognition,2015.CVPR 2015:1751-1760。這些方法在簡(jiǎn)單監(jiān)控場(chǎng)景下對(duì)人體目標(biāo)檢測(cè)取得了較好的結(jié)果，但是對(duì)于復(fù)雜的監(jiān)控場(chǎng)景下的人體目標(biāo)檢測(cè)結(jié)果還是不能滿(mǎn)足我們的實(shí)際需求，而且該類(lèi)傳統(tǒng)算法的檢測(cè)速度較慢，遠(yuǎn)遠(yuǎn)達(dá)不到實(shí)時(shí)檢測(cè)的要求。

隨著最近幾年深度學(xué)習(xí)的興起，基于深度學(xué)習(xí)的方法在圖像分類(lèi)領(lǐng)域取得了優(yōu)異的成績(jī)。很多研究者基于此也嘗試將深度學(xué)習(xí)應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域。Ren,Shaoqing提出了一種快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-RCNN)的方法，將人體目標(biāo)檢測(cè)問(wèn)題分為三個(gè)階段，首先是獲取人體目標(biāo)區(qū)域候選框，然后是使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)特征提取，最后對(duì)目標(biāo)特征進(jìn)行分類(lèi)訓(xùn)練得到模型。相較于傳統(tǒng)的人體目標(biāo)檢測(cè)方法，提高了57％的檢測(cè)準(zhǔn)確率。具體算法原理可以參見(jiàn)文獻(xiàn)：Ren,Shaoqing,et al.Faster R-CNN:Towards real-timeobject detection with region proposal networks.Advances in neural informationprocessing systems.2015。